KI-gestützte Qualitätskontrolle für Bremsbeläge
Projektziele & Projektergebnis
Umsetzung projekt in den Bereichen „Produktion“ mit dem Ziel der Erhöhung/Steigerung/ Optimierung der Produkt- / Servicequalität.
Die prototypische Umsetzung demonstrierte die Machbarkeit einer automatisierten, KI-gestützten optischen Erkennung der Reibfläche von Bremsbelägen.
Gesamtprojekt
Top Erkenntnisse aus dem Projekt
Ausgangslage
Zentrale Fragestellungen im Projekt
- Wie zuverlässig kann eine KI-gestützte Bildverarbeitung optische Qualitätsmerkmale bei organischen Bremsbelägen erkennen und klassifizieren?
- Welche KI-Modelle (Klassifikation, Objekterkennung, Segmentierung) eignen sich am besten zur automatisierten Qualitätskontrolle der Reibflächen?
Projektdetails
Herausforderung
Organische Bremsbeläge bestehen aus einem Verbundwerkstoff, der eine Vielzahl unterschiedlicher Rohstoffe enthalten kann. Diese Werkstoffe werden von der Firma Bremskerl anwendungsspezifisch entwickelt und sind in ihrem Erscheinungsbild so vielseitig wie ihre Einsatzgebiete in den Bremssystemen. Aufgrund dessen bedarf es auch einer Qualitätskontrolle durch geschulte Werker, die werkstoff- und bauteilindividuell das Erscheinungsbild der Reibfläche beurteilen. Um die Sicherheit des Bremssystems zu gewährleisten, erfolgt eine 100% Qualitätskontrolle jedes einzelnen Produkts. Dieser manuelle Prüfaufwand ist jedoch zeitintensiv und stark vom Erfahrungswissen der Mitarbeitenden abhängig.
Zielsetzung
Ziel des KI-Anwendungsprojekts ist es, die Machbarkeit einer KI-gestützten kamerabasierten Qualitätskontrolle zur automatisierten Erfassung und Auswertung von optischen Qualitätsmerkmalen bei Bremsbelägen zu demonstrieren.. Hierdurch soll perspektivisch mit Hilfe einer KI-gestützten Vorabprüfung der intensive Prüfaufwand durch hochqualifiziertes Personal reduziert und gleichzeitig die hohe Produktqualität bei gleichbleibend hoher Sicherheit gewährleistet werden.
Projektbeschreibung
Im Rahmen des Projekts erstellt das Mittelstand-Digital Zentrum Hannover Datensätze, um die Leistungsfähigkeit verschiedener KI-Typen im maschinellen Sehen zu untersuchen. Diese beinhalten Klassifizierung, Objekterkennung und Objektsegmentierung. Die Datensätze werden in Trainings-, Validierungs- und Testdaten unterteilt, um eine systematische Modellentwicklung und -bewertung zu ermöglichen. Während des Trainings dienen die Validierungsdaten der Überwachung des Modellfortschritts. Die abschließende Qualität wird mit Testdaten bewertet, um die Erkennungsgüte objektiv zu beurteilen und etwaige Schwächen aufzuzeigen. Diese Erkenntnisse sind entscheidend, um fundierte Handlungsempfehlungen für die Weiterentwicklung der KI-Systeme zu liefern. Zusätzlich werden die Modelle an Bauteilen getestet, die nicht im ursprünglichen Datensatz enthalten sind. Durch diese erweiterte Analyse wird die Adaptierbarkeit und Robustheit der Modelle in neuen Szenarien geprüft.
